1. 🎲 Distribusi Probabilitas sebagai Fondasi Inferensi

Semua teknik inferensial bergantung pada asumsi bagaimana data (atau statistik sampel) didistribusikan. Distribusi probabilitas adalah model teoritis yang menggambarkan kemungkinan nilai-nilai suatu variabel acak.

A. Distribusi Normal (The Bell Curve)

Ini adalah distribusi paling penting dalam statistika parametrik, berkat Teorema Limit Pusat (CLT).

• Karakteristik: Berbentuk simetris seperti lonceng, di mana mean, median, dan mode berada di titik yang sama (pusat).
• Signifikansi Inferensial: Jika ukuran sampel cukup besar, distribusi sampling rata-rata sampel akan berdistribusi normal, bahkan jika populasi aslinya tidak normal. Hal ini memungkinkan kita menggunakan skor-Z dan Uji-t.

B. Distribusi-t (Student’s t-Distribution)

Distribusi ini mirip dengan distribusi normal, tetapi memiliki ekor yang lebih “tebal” (lebih banyak probabilitas di ekornya).

• Penggunaan: Digunakan ketika deviasi standar populasi tidak diketahui, dan biasanya ketika ukuran sampel kecil ($n < 30$).
• Derajat Kebebasan (Degrees of Freedom, $df$): Bentuk distribusi-t bergantung pada $df$ ($df = n-1$). Semakin besar $df$, semakin distribusi-t mendekati distribusi normal.

C. Distribusi F (F-Distribution)

Distribusi ini digunakan untuk menguji hipotesis yang melibatkan perbandingan varians.

• Penggunaan: Merupakan inti dari ANOVA (Analysis of Variance) dan pengujian keseluruhan model dalam Regresi Berganda. Uji F membandingkan variabilitas antar kelompok dengan variabilitas di dalam kelompok.

---

2. 🚨 Kesalahan dalam Pengujian Hipotesis

Karena inferensi didasarkan pada sampel dan probabilitas, selalu ada risiko membuat keputusan yang salah tentang populasi.

A. Kesalahan Tipe I ($\alpha$)

• Definisi: Menolak Hipotesis Nol ($\text{H}_0$) padahal $\text{H}_0$ itu benar.
• Contoh: Menyatakan bahwa obat baru efektif, padahal kenyataannya tidak.
• Tingkat Risiko: Probabilitas kesalahan Tipe I adalah Tingkat Signifikansi ($\alpha$) yang telah kita tentukan (misalnya, 5% atau 0,05). Ini adalah risiko yang kita kontrol.

B. Kesalahan Tipe II ($\beta$)

• Definisi: Gagal Menolak Hipotesis Nol ($\text{H}_0$) padahal $\text{H}_0$ itu salah.
• Contoh: Menyatakan bahwa obat baru tidak efektif, padahal kenyataannya efektif.
• Tingkat Risiko: Probabilitas kesalahan Tipe II dilambangkan dengan $\beta$.

C. Kekuatan Uji (Power of a Test)

• Kekuatan uji adalah probabilitas untuk menolak $\text{H}_0$ yang salah.
• Secara matematis, Kekuatan $= 1 – \beta$.
• Tujuan peneliti adalah memaksimalkan kekuatan uji. Kekuatan dipengaruhi oleh ukuran sampel (semakin besar $n$, semakin besar kekuatan), tingkat signifikansi ($\alpha$), dan ukuran efek.

Keputusan	H0​ Benar (Di Populasi)	H0​ Salah (Di Populasi)
Gagal Tolak $\mathbf{H_0}$ (Berdasarkan Sampel)	Keputusan Benar	Kesalahan Tipe II ($\beta$)
Tolak $\mathbf{H_0}$ (Berdasarkan Sampel)	Kesalahan Tipe I ($\alpha$)	Keputusan Benar (Kekuatan Uji $1-\beta$)